Сверточные нейронные сети сегодня активно применяются для распознавания и классификации изображений, а потому незаменимы в компьютерном зрении. Например, в системах автоматического вождения для распознавания дорожных знаков и обработке естественного языка, в частности, для анализа текста с целью извлечения полезной информации.
Несмотря на широкое распространение, сверточные нейронные сети обладают недостатками. Например, их логику принятия решений сложно понять и объяснить. Это затрудняет использование таких нейронных сетей в сферах, где очень важно понимать, на основании чего алгоритм получил тот или иной результат, например в медицинской диагностике. Также существующие алгоритмы все еще не способны имитировать процессы обработки информации в головном мозге. Совместив нейросети с математически моделями информационных процессов в мозге, можно расширить возможности технологии, в частности, добавив новый функционал или улучшив их точность.
Схема гибридной модели. Источник: Сергей Стасенко
Ученые из Нижегородского государственного университета имени Н. И. Лобачевского (Нижний Новгород) предложили новую сверточную нейронную сеть с кратковременной памятью, которая управляется астроцитами. Кратковременная память, также известная как рабочая память, отвечает за временное хранение и управление информацией. Она играет решающую роль во внимании, обучении, решении проблем и принятии решений. В этой работе авторы совместили в одном алгоритме искусственную нейронную сеть и результаты моделирования кратковременной памяти, в которых учитываются взаимодействие нейронов и астроцитов. Это позволило алгоритму точнее на 15%, чем ранее, обрабатывать изображения и выводить полученную информацию человеку. Это достигается за счет того, что новая модель, в отличие от исходной, запоминает необходимые объекты, а потому выдает более точные результаты обработки изображения.
Такие гибридные модели можно использовать в тех же направлениях, где обычные сверточные нейросети используются и сейчас, например в компьютерном зрении. Это увеличит их возможности в обработке изображений, а именно позволит точнее находить необходимые объекты.
«Наша работа показывает, что улучшить нейронные сети можно, сымитировав в алгоритме такие функции мозга как кратковременную память. Такое совмещение уже разработанных систем искусственного интеллекта с новыми моделями информационных функций мозга — перспективная и развивающаяся область, так как позволяет преодолевать существующие ограничения алгоритмов за счет внесения новых знаний о работе мозга. В дальнейшем мы планируем добавить в алгоритм модель внеклеточного матрикса мозга, то есть вещества, в котором находятся клетки. Матрикс отвечает за саморегуляцию в мозге и, как предполагается, может хранить "следы памяти"», — рассказывает руководитель проекта, поддержанного грантом РНФ, Сергей Стасенко, доцент Нижегородского государственного университета имени Н. И. Лобачевского.
